基于機器學習的道岔故障診斷與預測研究綜述

謝博才，宮殿君

（1. 中國國家鐵路集團有限公司，北京 100844；2. 北京全路通信信號研究設計院集團有限公司，北京 100070；3．北京市高速鐵路運行控制系統工程技術研究中心，北京 100070）

1 概述

道岔轉換系統是鐵路變換股道的重要轉轍設備，直接影響了列車的行車安全。隨著國內軌道交通的蓬勃發展，行車速度和客運量的不斷提升，道岔設備故障率的增加會影響運營效率，甚至造成人民生命財產的損失，因此對道岔設備進行狀態監控以及故障的診斷和預測是迫切且必要的。

故障檢測與診斷技術、故障預測與健康管理技術是可靠性分析中的兩大重要技術。故障診斷包括故障檢測和故障隔離兩個過程，其中故障檢測是利用各種檢測算法發現設備運行過程中的異常信號，判斷是否發生了故障并實現準確定位；而故障隔離要求對故障類型、故障部位及故障成因作出診斷，以便采取相應的維修措施，使得由于故障導致停滯的設備恢復運行[1-2]。目前，故障診斷方法普遍分為3類：基于模型的故障診斷方法、基于信號處理的故障診斷方法和基于人工智能的故障診斷方法。基于模型的故障診斷方法需要針對監測對象建立精確的數學模型，例如微分方程，通過模型輸入和輸出之間的殘差來進行故障診斷。這種方法的缺點是建立模型需要足夠的用于模型開發的先驗知識且模型的建立是非常復雜與費時的，同時所建立的模型精確與否會直接影響故障檢測與診斷的性能。基于信號處理的故障診斷方法是先采集設備運行中的傳感器信號，通過觀察、分析序列中隱藏的信息進行特征提取，并依據特征值確定是否發生故障。該方法只能對信號本身的特點進行分析，無法挖掘出更深層的信息，而且若是不具備一定的專家知識，很難選擇處理信號的方法從而提取到真正有用的特征。而基于人工智能的故障診斷方法利用機器學習、神經網絡、深度學習等智能算法挖掘大量歷史數據中隱藏的信息建立模型，從而實現故障診斷。目前，絕大多數關于道岔系統故障診斷的相關研究都普遍采用了后兩種診斷方法以及他們的結合應用，研究結果也表明基于人工智能的診斷方法具有較好的研究前景。

故障預測與健康管理技術是設備運維的重要手段，也是一種綜合的技術解決方案，包括實時監測設備運行狀態、健康評估、故障診斷和緩變故障預測、壽命預測等[3]。預測與健康管理（PHM）利用采集到的數據信息，通過各種人工智能算法建立模型對系統的健康狀態進行評估，能夠計算出系統某些參數的趨勢變化，以及對一些特定故障模式進行有效地預測，為待監測對象提供一系列可靠、高效的運維方案。對于鐵路道岔這類大型、復雜的機械設備，PHM技術可以為轉轍設備提供狀態監測與設備健康管理，進一步提高質量管理水平，建立信息化和智能化的維修管理機制，提高列車運行的安全性和可靠性。

由于人工智能算法的獨特優點和基于大數據的需求，目前在道岔故障診斷與運維領域幾乎都是利用機器學習相關算法來實現。但是機器學習算法的種類較多，實際應用中還會使用兩種甚至多種算法結合，很容易對初次接觸的人造成理解上的混亂。本文重點對基于信號處理和人工智能即基于信號數據的道岔故障診斷算法進行歸納、整理和總結，并根據PHM技術在道岔故障診斷上的現有研究，展望未來的發展趨勢。

2 道岔故障診斷算法的應用與發展

在道岔故障診斷領域中，大部分的診斷算法流程如圖1所示。首先，通過故障模式的成因、轉轍機原理以及傳感器采集數據的難易程度確定最優的監測信號數據；其次，要對原始數據進行去噪、歸一化等方法整理數據樣本，并建立正常樣本集和故障樣本集；之后，應用各種數據挖掘、信號處理算法提取對樣本集區分度最高的特征向量；最后，建立機器學習模型實現故障的分類與診斷，給出相應的運維措施與建議，提高經濟效益。

2.1 信號的特征提取

在機器學習、模式識別和圖像處理中，特征提取指的是以初始的信號數據為基礎，通過各種方法對數據進行變換，從而將原始數據轉換為一組具有明顯物理意義或者統計意義的特征的一種方法。特征提取可以促進后續的學習和泛化步驟，特征好壞對泛化能力有至關重要的影響。

在信號的特征提取算法中，最常見的方法是時域分析、頻域分析和時頻域分析。在實際特征提取過程中，通常會基于電流曲線和功率曲線對道岔轉換狀態進行分段，之后再統計各段的時域統計量、頻域統計量或使用Mallat小波等進行時頻域分析，從而提取到大量的特征統計量。其中楊靜[4]基于DWT變換，選擇Haar小波基對電流信號進行9層分解，得到了不同尺度下信號的高頻細節部分和低頻部分，原始信號經過DWT變換后可以提取到基本趨勢和重要整體特征，信號的維度也大幅下降。時頻域分析中除離散小波變換外，經驗模態分解也常用作提取信號的細節特征。該算法依據信號本身，將信號分解為若干個固有模態函數（IMF），計算每個IMF的樣本熵和模糊熵作為原始信號的多尺度特征，使得統計量具有更好的穩定性。

由于正常曲線和故障曲線之間一定會存在差異性，因此一些研究者提出了基于曲線相似度的特征提取算法。該方法通常將正常曲線和幾種故障模式曲線作為模板，通過計算待測曲線與模板之間的相似或距離函數作為后續診斷的特征，距離函數包括弗雷歇（Fretchet）距離、快速動態時間規整（FastDTW）算法等，最后根據相似度特征判斷待測曲線是否發生了故障。實驗證明基于曲線相似度的算法無需大量的訓練樣本，準確率很高且FastDTW算法效果普遍優于Fretchet距離。

上述方法普遍從定量的角度對數據進行分析，但是由于鐵路通常環境復雜以及惡劣天氣的影響，容易出現隨機的波動和無關趨勢，因此還有一類算法是通過基于定性的角度對曲線形狀進行特征提取。該類算法利用時間窗將信號進行分割，并對窗口內的數據進行線性擬合，通過符號語言描述每種趨勢片段，最終將信號形狀簡化為一串趨勢序列特征。根據事先建立的故障診斷規則知識庫進行序列匹配，從而有效區別不同的故障狀態。其中孫孟雷[5]依據功率曲線的形狀提取信號的持久化四邊形區域映射功率持久化特征，提取信號峰值三角區域映射功率峰值的特征，從而對轉轍機動作過程進行特征化表述，通過特征向量灰度化結果證明了該方法的可行性和實用性。

特征選擇也稱為特征子集選擇，是特征提取的后續步驟。它是從提取到的特征集合中挑選出一些最有代表性或最有區分度的特征，以達到降低數據維度的目的，也是提高學習算法性能的重要手段。在道岔故障診斷中最常用的是基于Fisher準則的特征選擇方式，通過計算類間方差與類內方差之比，找到最有效的特征。但該方法只能篩選出一部分有用特征，當特征維數仍然過大時，需要降維算法來進一步進行特征選擇，常見方法有主成分分析法（PCA）、線性判別分析（LDA）、局部線性嵌入（LLE）、t-SNE等。降維方法各有優劣，需要根據實際數據進行選擇。將數據維度降至低維，在保留絕大多數原始數據信息的同時，又能夠提高故障診斷的效率和精度。

2.2 基于機器學習的道岔故障診斷算法

機器學習的目的是通過某種算法，如神經網絡等學習輸入與輸出的關系，并可以利用學習到的關系通過未知輸入盡可能準確地得到未知輸出，一般步驟是在進行特征提取步驟之后，將特征向量輸入機器學習算法進行學習，得到最終的診斷結果。在道岔故障診斷領域中，機器學習擁有廣泛的應用空間，涉及的算法包括無監督學習中的聚類分析、監督學習中的支持向量機、神經網絡、集成學習、深度學習等。

2.2.1 聚類分析模型

聚類分析是一種無監督的機器學習算法。在處理分類問題的時候，一般數據標簽是已知的，通過提前對數據進行訓練，從而得知數據屬性進而對它們進行劃分。而聚類分析與普通分類的區別在于，聚類分析處理的數據是沒有標簽的，需要在沒有訓練樣本的前提下進行劃分，通過衡量不同數據間的相似性，將它們分類到不同的類簇中。

在實際使用中，通常將聚類分析視為一種數據挖掘手段，能夠發掘數據的內部結構特征。針對特征提取中的一些缺點，如時頻域分析對數據的利用度不高、降維方法會丟失有用數據等，聚類算法在對數據進行分類時，會選擇信息表征更全面的訓練集和測試集，從而避免隨機性造成的信息不全面問題。利用聚類算法的分類特性，將隨機的數據進行整理和聚類，可以看出輸入向量的特征值是否能夠全面地反映它所代表的樣本的特征，為后續診斷算法提供正確的信息來源。楊菊花等[6]針對初始特征維度過高的問題，選擇DBSCAN聚類算法篩選故障診斷敏感特征，構建診斷敏感特征集，起到了降維的作用。李孟瀾[7]對多種聚類算法，包括K-means算法、FCM算法、凝聚式層次聚類算法、DBSCAN算法和DPCA算法進行對比分析，通過不同的特征集與聚類算法搭配得到聚類準確率，從而獲取最優數據處理方法。在此基礎上構建了聚類集成算法，驗證聚類集成算法在轉轍機故障數據挖掘上的優勢。

2.2.2 灰色關聯分析模型

灰色關聯分析可以依據各因素之間的相似性來衡量關聯程度，進而達到判斷系統當前狀態以及預測發展趨勢的目的。經過不斷地探索與發展，形成了鄧氏關聯度、灰色絕對關聯度、灰色相對關聯度等不同的關聯度模型。

根據灰色關聯分析中曲線幾何形狀越相似關聯度越高的特點，提出了一些基于灰色關聯分析的道岔故障診斷模型。朱緒昌[8]使用了基于鄧氏關聯度的模型，通過比較故障模式之間的關聯度，選擇關聯度最小的變換算子確立故障特征序列，并確定變換算子用于數據變換，最終選擇最優的故障診斷關聯度模型。

2.2.3 支持向量機模型

支持向量機（SVM）是一種二分類模型，它的基本思想是在特征空間中找到一個能夠正確劃分訓練數據集并且幾何間隔最大的分離超平面。如圖2所示， 即為分離超平面，對于線性可分的數據集來說，這樣的超平面有無數個，但幾何間隔最大的分離超平面是惟一的。SVM通過引入核函數，可以解決在高維空間中的內積運算，從而實現非線性分類問題。SVM一般作為二分類器使用，但由于實際應用中也需要解決多分類任務，可以通過多個SVM分類器結合的方法實現，如一對一法、一對多法和SVM決策樹法。

圖2 SVM模型最優超平面示意Fig.2 The optimal hyperplane schematic diagram of the SVM model

SVM因其小樣本量、高維模式識別和易實現等優點在道岔故障診斷上被廣泛應用，也出現了許多基于SVM故障診斷模型的研究和討論，包括解決了數據樣本不平衡問題與SVM核函數參數σ和懲罰因子C的選擇問題。同時，一些研究者為了彌補SVM算法在故障診斷上的不足，將SVM與其他算法進行結合優化，提高了識別的準確率和效率。王登飛等[9]采用SVM-AdaBoost算法疊加了多個基本SVM分類器，提高算法的抗干擾能力。對于SVM算法核函數調參困難的問題，孔令剛等[10]將SVM與改進型灰狼優化算法結合，實現了參數的自動優化，達到100%的分類準確率。

2.2.4 神經網絡模型

目前，在道岔故障診斷領域中，應用最多的機器學習算法是各種神經網絡模型，并在這些算法的基礎上優化改進，提高識別精度。

人工神經網絡是機器學習中最常用的模型，它從信息處理的角度對人腦神經元進行抽象，按照輸入層、隱藏層和輸出層的基本結構進行拓展，依據不同的連接方式組成不同的網絡模型。神經網絡由大量的節點也稱為神經元互相聯結構成，每一個節點都代表一種激勵函數，每兩個節點之間的連接代表一個通過該連接的加權值，稱之為權重。神經網絡具有自主學習能力、非線性映射能力、對任意函數逼近能力和容錯能力，因此誕生了許多神經網絡模型。在道岔故障診斷中，常用的模型有BP神經網絡、PNN神經網絡，也有少量采用其他的模型如深度學習、集成學習等。

在工程應用與研究中，多數診斷算法都采用BP神經網絡或PNN神經網絡建立道岔故障診斷模型，這些模型都取得了較好的故障診斷結果，其中習家寧[11]在PNN模型的基礎上提出了基于PNN決策級融合的故障診斷模型，使得某一模型在出現失效的情況下具有容錯能力。但是，BP和PNN神經網絡在使用上都存在一些問題：BP神經網絡的初始權重和閾值是隨機獲取的，容易使訓練階段陷入局部最優；而PNN神經網絡在故障模式樣本有限的情況下，難以找到體現整個故障空間的平滑因子。因此，通常需要一些參數尋優算法與神經網絡進行結合以提高診斷算法性能。其中比較常見的參數尋優算法是粒子群優化算法和灰狼優化算法，與單獨使用神經網絡對比，收斂性和穩定性均有一定程度的提高。

另外還有一些基于深度學習與集成學習的研究。卷積神經網絡（CNN）及優化算法作為最常用的深度學習算法被廣泛應用。陳亭[12]使用深度卷積神經網絡中的深度殘差網絡對道岔故障模式進行識別，證明深度殘差網絡相對于淺層殘差網絡和全連接神經網絡故障診斷的效果更出色。李林霄[13]在原始CNN的前向傳導與反向傳播過程之中加入自適應模塊，對初始分類結果進行特征提取和分析，自適應地調整特征誤差，實現特征殘差的自適應增強，達到提高收斂效果，提高識別精度的目的。楊菊花等[14]在卷積層特征提取后將結果作為門控循環單元（GRU）的輸入，再輸出分類概率。經實驗驗證，該優化方法的準確率優于PCA-HMM，訓練時間優于PCA-GA-SVM。集成學習通過組合多個弱分類器構建出一個強分類器，集成算法包括Bagging算法、Boosting算法和Stacking算法等。通過組合深度學習與集成學習，可以構建出基于集成學習的深度置信網絡故障診斷模型和基于集成學習的卷積神經網絡故障診斷模型，進一步提升道岔故障診斷性能。

在故障診斷中還應用了一些其他的機器學習算法?；趯傩约訖嗟臉闼刎惾~斯網絡分類器，可以提高分類結果的準確性。左元[15]對KNN算法提出改進，提出基于類別特征加權的K最鄰近算法（FSWKNN），相比較KNN與WKNN在診斷精度上都有明顯的提升。針對道岔故障診斷中的文本數據建立故障樹編碼，進而轉化為貝葉斯網絡進行故障診斷，提供了一種文本挖掘的思路和方法。

3 道岔健康管理與故障預測算法的應用與發展

道岔故障可能發生在運行的各個階段，FDD技術可以保證在故障發生后及時預警和實現快速檢修，但若能對設備進行全生命周期監測以及數據挖掘，就能在故障二次發生前及時預警，提前作出檢修措施，避免經濟和人員損失。目前，PHM技術在道岔故障預測領域還不夠成熟，關于道岔健康狀態評估與故障預測方面的文獻很少，本文基于現有的研究資料對涉及機器學習的算法進行總結。

由于道岔設備處于室外且環境復雜，導致突發故障（如尖軌卡入異物）的概率大大提升，而這類故障很難通過算法進行預測。但是在道岔動作過程中，因為長時間的動作而引發的疲勞性故障（如動作桿運動的摩擦力增加），即緩變性故障，可以通過訓練故障發生前后的曲線數據預測發生故障的動作次數。侯大山[16]針對“道岔轉換過程中功率曲線大幅波動”這一故障類型，提取故障發生前500次動作曲線的特征，采用KPCA算法構建退化性能指標及失效閾值，建立PSO-ELM模型預測退化性能指標變化趨勢，證明隱層神經元數目為30時，達到最優預測性能。正負樣本不平衡問題一直是道岔故障診斷和預測的難點。鐘志旺[17]針對“尖軌摩擦力過大”的故障模式，提出SVDD算法，僅利用道岔正常運行數據實現對目標樣本和非目標樣本的劃分，避免因缺少故障數據造成的樣本不平衡問題。由SVDD算法得到的健康指標，對于異常檢測和故障檢修具有指導意義。

在健康狀態等級分級上，一些研究者根據曲線之間的關系構建指標，劃分健康狀態等級或檢修等級，并應用機器學習算法對指標進行預測。皮爾遜相關系數、歐氏距離、弗雷歇距離和云相似度等方法經常被選擇作為衡量道岔健康狀態等級的指標。道岔的健康狀態通常分為健康、亞健康和故障3級，道岔處于健康狀態是不需要維護的，處于故障狀態的設備需要立即維修，而亞健康狀態較為復雜，需要對其展開研究，預測故障發生的可能性及故障可能出現的時間。多項式回歸模型、AR模型、長短時記憶神經網絡模型（LSTM）、CNN-GRU模型等方法能夠對未來一段時間內的評價指標進行預測，根據評價指標的趨勢獲得道岔的狀態。通過真實數據驗證，預測結果較為準確。

聚焦于道岔設備退化狀態的挖掘也是研究的熱點，通過一些機器學習算法學習道岔設備從正常運行狀態到故障狀態之間的大量數據，建立設備退化狀態樣本庫和模型，然后對道岔狀態進行評估，從而識別設備處于何種狀態。文獻[18-20]都使用了不同的聚類算法建立退化狀態與故障模式之間的關系，實現對道岔設備退化狀態的識別。其中許慶陽[18]提出了一種基于Kohonen神經網絡和隱馬爾科夫模型結合的算法，用于進行退化狀態與故障狀態的識別與評估，實現故障預測。高利民[19]等使用SOM-BP混合神經網絡算法，得到6種退化狀態樣本。李園祥[20]提出基于堆疊降噪自動編碼機結合自組織映射神經網絡的方法，構建道岔轉轍機的退化模型，并在此基礎上利用LSTM對設備剩余壽命進行預測。

4 結束語

道岔設備穩定運行是保障鐵路安全的一個重要因素。人工智能的發展，給故障檢測與診斷技術提供了一種有效的手段。機器學習技術可以挖掘一些人工看不到的隱患，針對設備的日常維護和故障檢修也越來越智能化、自動化。本文梳理了近年來針對FDD和PHM的文獻資料與應用研究，可以發現絕大多數研究還是聚焦在故障模式的分類與診斷上，且使用的信號數據種類單一，挖掘的信息非常有限。而且，機器學習在PHM領域中是一個比較困難和新興的課題，還需要進一步的展開研究。因此，在道岔故障診斷領域，機器學習的研究仍有3個可以進步的方向。

在故障檢測與診斷領域，正常樣本與故障樣本不平衡問題仍是一個難點，很多時候需要將故障樣本積累到一定的數據量才可以進行分析。預測與健康管理相比故障診斷更具有現實研究意義，故障預測和壽命預測是今后的研究熱點和重要趨勢。

目前道岔的故障診斷與預測研究中，絕大多數研究都在從電流、功率等信號中提取特征展開研究，數據類型不夠全面。因此能否增加一些傳感器數據，例如溫度、濕度、轉換力、表示桿位移、文本數據等，多方面地建立更準確的模型。

機器學習模型種類很多，且每種模型都有明顯優缺點及適用范圍。如何針對道岔故障類型選擇合適的模型，以及如何對模型進行結合也是未來的一個研究方向。